Usage of intelligent methods for multispectral data processing in the field of environmental monitoring
Вантажиться...
Дата
2021
DOI
doi.org/10.20998/2522-9052.2021.3.13
Науковий ступінь
Рівень дисертації
Шифр та назва спеціальності
Рада захисту
Установа захисту
Науковий керівник
Члени комітету
Видавець
Національний технічний університет "Харківський політехнічний інститут"
Анотація
The subject of study in the article is artificial intelligence methods that can be used for recognition of specific areas of the earth's surface in multispectral images provided by Earth remote sensing systems (ERS). The goal is to automate data analysis for recognizing areas affected by fire on multispectral remote sensing images. The task is to study and formulate a method for processing multispectral data, which makes it possible to automate the process of operational recognition of areas of burned-out areas in images, for the development of an eco-monitoring software system using artificial intelligence tools such as deep learning and neural networks. As a result of the analysis of modern methods of processing multispectral data, an investigation of the supervised learning strategy was chosen. The choice of the described method for solving an applied problem is based on the high flexibility of these method, as well as, provided that there is a
sufficient amount of used training input data and correct training strategies, the possibility of analyzing heterogeneous multispectral data with ensuring high accuracy of results for each individual sample. Conclusions: the application of methodologies for intelligent processing of multispectral images has been investigated and substantiated. The theoretical foundations of the construction of neural networks are considered, the applied area of application is selected. An
architectural model of a software product is analyzed and proposed, taking into account its scalability, the model of software system is developed and the results of its work are shown. The obtained results show the efficiency of proposed system and prospects of the proposed algorithms, which is a reason for further research and improvement of the used algorithms, with their possible use in industrial and enterprise eco-monitoring systems.
Предметом вивчення в статті є методи штучного інтелекту, що можуть бути застосовані для розпізнавання конкретних ділянок земної поверхні на мультиспектральних зображеннях, наданих системами дистанційного зондування Землі. Мета – автоматизація аналізу даних для розпізнавання територій, уражених вогнем на мультиспектральних зображеннях ДЗЗ. Задача – дослідження і формулювання способу обробки мультиспектральних даних, що дозволяє автоматизувати процес оперативного розпізнавання на зображеннях ділянок вигорілих територій задля розробки програмної системи екомоніторингу із використанням таких засобів штучного інтелекту, як глибинне навчання та нейронні мережі. У результаті аналізу сучасних методів обробки мультиспектральних даних було обрано для дослідження застосування нейронних мереж зі стратегією навчання з учителем. Вибір описаних методів для вирішення прикладної задачі базується на високій гнучкості даних методів, а також, за умови достатнього обсягу використаних навчальних вхідних даних та коректних стратегій навчання, можливості аналізу різнорідних мульспектральних даних із забезпеченням високої точності результатів для кожної окремої вибірки. Висновки: досліджено та обґрунтовано застосування методологій інтелектуальної обробки мультиспектральних зображень. Розглянуто теоретичні основи побудови нейронних мереж, обрано прикладну галузь застосування. Проаналізовано та запропоновано архітектурну модель програмного продукту із урахуванням його масштабованості, проведено розробку програмної реалізації та показано результати її роботи. Отримані результати показують працездатність та перспективність запропонованих алгоритмів, що є приводом для подальшого дослідження і вдосконалення застосованих алгоритмів, із їх можливим впровадженням до промислових та корпоративних систем екомоніторингу.
Предметом вивчення в статті є методи штучного інтелекту, що можуть бути застосовані для розпізнавання конкретних ділянок земної поверхні на мультиспектральних зображеннях, наданих системами дистанційного зондування Землі. Мета – автоматизація аналізу даних для розпізнавання територій, уражених вогнем на мультиспектральних зображеннях ДЗЗ. Задача – дослідження і формулювання способу обробки мультиспектральних даних, що дозволяє автоматизувати процес оперативного розпізнавання на зображеннях ділянок вигорілих територій задля розробки програмної системи екомоніторингу із використанням таких засобів штучного інтелекту, як глибинне навчання та нейронні мережі. У результаті аналізу сучасних методів обробки мультиспектральних даних було обрано для дослідження застосування нейронних мереж зі стратегією навчання з учителем. Вибір описаних методів для вирішення прикладної задачі базується на високій гнучкості даних методів, а також, за умови достатнього обсягу використаних навчальних вхідних даних та коректних стратегій навчання, можливості аналізу різнорідних мульспектральних даних із забезпеченням високої точності результатів для кожної окремої вибірки. Висновки: досліджено та обґрунтовано застосування методологій інтелектуальної обробки мультиспектральних зображень. Розглянуто теоретичні основи побудови нейронних мереж, обрано прикладну галузь застосування. Проаналізовано та запропоновано архітектурну модель програмного продукту із урахуванням його масштабованості, проведено розробку програмної реалізації та показано результати її роботи. Отримані результати показують працездатність та перспективність запропонованих алгоритмів, що є приводом для подальшого дослідження і вдосконалення застосованих алгоритмів, із їх можливим впровадженням до промислових та корпоративних систем екомоніторингу.
Опис
Ключові слова
Earth remote sensing, multispectral image, дистанційне зондування Землі, мультиспектральне зображення
Бібліографічний опис
Usage of intelligent methods for multispectral data processing in the field of environmental monitoring / A. Podorozhniak [et al.] // Сучасні інформаційні системи = Advanced Information Systems. – 2021. – Т. 5, № 3. – С. 97-102.